34. 關於 k 平均數（k-means）與噪訊偵測之空間密度集群算法 （Density-Based Spatial Clustering of Applications with Noise, DBSCAN），下列敘述何者「不正確」？
(A) 兩者都是集群分析
(B) k-means 基於距離的概念，而 DBSCAN 基於密度的概念
(C) 兩者都需要事先告知分群的數量
(D) k-means 集群結果易受離群值的影響

解析各選項，找出「不正確」的敘述

k-means 和 DBSCAN 都是非監督式學習（Unsupervised Learning） 的集群（Clustering）演算法，但它們的核心概念和適用場景不同：

• k-means：基於距離（Distance-Based），適用於球形群集，但對於離群值（Outliers）和非球形群集表現較差。
• DBSCAN：基於密度（Density-Based），適用於不規則形狀的群集，可自動發現群集數量，且對離群值較不敏感。

選項分析

(A) 兩者都是集群分析

✅ 正確

• k-means 和 DBSCAN 都是用來分群（Clustering）的演算法，目的都是將數據點分成不同的群集。
• 此選項正確，因為兩者確實都是集群分析方法。

(B) k-means 基於距離的概念，而 DBSCAN 基於密度的概念

✅ 正確

• k-means 透過「距離」來計算群心（Centroid）與資料點的關係：
  • 使用歐幾里得距離（Euclidean Distance）來計算數據點與中心的距離，並透過迭代方式調整群心位置。
• DBSCAN 則是基於「密度」的概念來找出高密度區域：
  • 透過設定「鄰近範圍（Epsilon, ε\varepsilonε）」與「最小點數（MinPts）」來決定一個區域是否足夠密集來形成群集。
• 此選項正確，因為 k-means 依賴距離，而 DBSCAN 依賴密度。

(C) 兩者都需要事先告知分群的數量

❌ 錯誤（本題答案）

• k-means 需要事先指定群集數量 k：
  • 事先必須決定 k 值，否則無法執行。
  • 常用方法：Elbow Method（肘部法則） 或 Silhouette Score（輪廓係數） 來估計適當的 kkk 值。
• DBSCAN 不需要事先指定群集數量，而是透過密度參數來自動判定群集：
  • 只需要設定 ε\varepsilonε（鄰近範圍半徑） 和 MinPts（最小點數），就能自動識別群集數量。
• 錯誤點：
  • k-means 需要事先指定群數，但 DBSCAN 不需要，因此此選項是錯誤的。

(D) k-means 集群結果易受離群值的影響

✅ 正確

• k-means 容易受離群值影響，因為離群值會影響群心（Centroid）的計算：
  • 例如，若有一個遠離主要群集的數據點，k-means 可能會錯誤地將其視為一個新的群心，導致聚類結果不準確。
  • DBSCAN 則能有效處理離群值，因為離群值會被標記為「噪音（Noise）」而不會影響主要群集。
• 此選項正確，因為 k-means 容易受離群值影響，而 DBSCAN 則較具抗離群值能力。

結論

✅ 正確選項：

• (A) 兩者都是集群分析
• (B) k-means 基於距離，DBSCAN 基於密度
• (D) k-means 易受離群值影響

❌ 不正確選項（答案）：

• (C) 兩者都需要事先告知分群的數量（錯誤，因為 DBSCAN 不需要）

? 本題正確答案：「(C)」